NLTK使用教程（持续更新ing...）
诸神缄默不语-个人CSDN博文目录
最近更新时间：2022.7.11
最早更新时间：2022.7.11
NLTK是自然语言处理中常用的Python包，本文是NLTK包的一个简单的使用教程。
NLTK API文档：NLTK :: nltk package
文章目录
- 1. tokenize：分词，分句
- 2. stem
-
- 2.1 nltk.stem.wordnet
1. tokenize：分词，分句
在我下载的punkt文件夹里没有chinese.pickle文件（我在网上看到一些GitHub issue和google group里面有，我很迷惑，反正我没有），所以我认为应该不能实现中文操作。
语言可以通过函数的language入参调整，但是反正默认是英文，不能用中文的，那别的我也不会……所以我没有对此作尝试。
tokenize文档：NLTK :: nltk.tokenize package
punkt文档：NLTK :: nltk.tokenize.punkt module
punkt源码：NLTK :: nltk.tokenize.punkt
英文分词（需要安装Punkt sentence tokenization模型）：
from nltk.tokenize import word_tokenize
sentence="We trained a large, deep convolutional neural network to classify the 1.2 million high-resolution images in the ImageNet LSVRC-2010 contest into the 1000 different classes."
tokenized_result=word_tokenize(sentence)
print(tokenized_result)
输出结果：
['We', 'trained', 'a', 'large', ',', 'deep', 'convolutional', 'neural', 'network', 'to', 'classify', 'the', '1.2', 'million', 'high-resolution', 'images', 'in', 'the', 'ImageNet', 'LSVRC-2010', 'contest', 'into', 'the', '1000', 'different', 'classes', '.']
英文简单分词（仅使用规则，即空格和标点符号实现分词）：
from nltk.tokenize import wordpunct_tokenize
sentence="We trained a large, deep convolutional neural network to classify the 1.2 million high-resolution images in the ImageNet LSVRC-2010 contest into the 1000 different classes."
tokenized_result=wordpunct_tokenize(sentence)
print(tokenized_result)
输出结果：
['We', 'trained', 'a', 'large', ',', 'deep', 'convolutional', 'neural', 'network', 'to', 'classify', 'the', '1', '.', '2', 'million', 'high', '-', 'resolution', 'images', 'in', 'the', 'ImageNet', 'LSVRC', '-', '2010', 'contest', 'into', 'the', '1000', 'different', 'classes', '.']
2. stem
stem文档：NLTK :: nltk.stem package
2.1 nltk.stem.wordnet
nltk.stem.wordnet模块官网：NLTK :: nltk.stem.wordnet module
英文，使用WordNet Lemmatizer实现lemmatize：
使用WordNet内置的morphy函数来实现lemmatize，该函数官网：morphy(7WN) | WordNet